Table Of ContentI
RESUMEN
En este trabajo se ha implementado una arquitectura para el conteo y clasificación
vehicular. Se aplica la Computación Acumulativa para detectar al conjunto de
vehículos en movimiento y discriminar los píxeles estáticos, se hace la
segmentación a través de Funciones de Densidad de Probabilidad (FDP) de
Ventanas de Parzen, para obtener un núcleo Gaussiano en cada objeto; la altura
de cada pico de Gauss representa el volumen del vehículo. Por último se hace el
análisis de varianza ANOVA, para validar la similitud de los vehículos y seguirlos
de un instante al otro. Se obtuvo un conjunto de muestras para determinar los
umbrales de calibración en la eliminación de ruido y píxeles estáticos, anchos de
ventana para el cálculo de las FDP, el nivel de significancia en los análisis de
similitud y la eficiencia en el algoritmo de seguimiento propuesto. Los resultados
obtenidos pueden ser mejorados, ya que al incrementar el número de objetos en
escena, se alcanzan niveles de error del 54%, los métodos evaluados por
separado dan buenos resultados. La detección de objetos junto con el análisis de
similitud y una buena calibración, puede llegar a niveles de eficiencia del 95%. Los
altos niveles de error en la evaluación del sistema se deben al lugar experimental,
ya que se intentó cubrir con una sola cámara los ocho accesos de la escena, y
esto provoca un gran número de objetos ocluidos. Se propone como trabajos
futuros implementar un sensor de video en cada acceso y utilizar la técnica de
ANOVA para analizar la similitud entre los objetos detectados en una cámara y
otra, o cambiar la experimentación a una carretera de un solo carril.
(Palabras clave: Computación Acumulativa, Ventanas de Parzen, ANOVA)
II
SUMMARY
In this paper has been implemented an architecture for counting and vehicle
classification. Accumulative Computation is applied to detected the set of moving
vehicles and discriminate the static pixels, segmentation is done by Probability
Density Functions (PDF) of Parzen windows to obtain a Gaussian Kernel on each
object; the height of each Gauss peak represented the vehicle dimension. Finally is
done the ANOVA Variance Analysis to validate the similitude of vehicles and
tracking them from one instant to another. A set of samples were obtained to
determinate the thresholds calibration on the denoising and static pixels, window
widths to the calculation of the PDF, the significance level on the similitude
analysis, and the efficiency in the tracking algorithm proposed. Results obtained
can be improved, because by increasing the number of objects on the scene, error
levels of 54% are achieved, the methods evaluated for separated give good
results; objects detection with the similitude analysis and a good calibration, can
achieved efficiency levels of 95%. High levels of error in the system evaluation are
due to experimental place, because attempt to cover with a single camera eight
accesses on the scene and this causes a large number of objects occluded. is
proposed as future work to implement a video sensor at each access and use the
ANOVA technique to analyze the similarity between the objects detected in a
camera and other, or change the experiment to a single lane road.
(Key words: Accumulative Computation, Parzen Windows, ANOVA)
III
A mis padres
“Por su apoyo y atención en todo momento”
IV
AGRADECIMIENTOS
A Dios por ser mi fuerza y el pilar de mi lucha constante.
A la Dra. Sandra Luz Canchola Magdaleno por haber sido mi directora de tesis,
por compartir sus conocimientos y haber puesto la confianza en mí.
A la M.C. Verónica Josefina Soria Anguiano por haberme brindado su apoyo y sus
conocimientos en la elaboración de este proyecto.
V
TABLA DE CONTENIDOS
1. INTRODUCCIÓN. ............................................................................................ 8
2. REVISIÓN DE LA LITERATURA. .................................................................. 11
2.1. Conceptos básicos. .................................................................................... 11
2.1.2. Sistema de visión por computadora. .................................................... 13
2.1.3. Procesamiento de imágenes. ............................................................... 14
2.1.4. Volumen de tránsito vehicular. ............................................................. 15
2.1.5. Caracterización vehicular. .................................................................... 16
2.1.6. Aforo vehicular. .................................................................................... 16
2.1.7. Métodos para aforar vehículos. ............................................................ 16
2.2. Estado del arte. ........................................................................................... 21
Publicación no. 1. Crisóstomo y Yoshimoto (Perú 2005): .............................. 21
Publicación no. 2. Maldonado et al. (México 2007): ....................................... 24
Publicación no. 3. Ferraz y Lameda (Venezuela 2008): ................................. 28
3. METODOLOGÍA. ........................................................................................... 38
3.1. Descripción del lugar experimental. ............................................................ 38
3.2. Equipo experimental. .................................................................................. 39
3.3. Lenguaje de programación. ........................................................................ 39
3.4. Librerías. ..................................................................................................... 40
3.5 Arquitectura preliminar. ................................................................................ 43
3.6 Detector de objetos en movimiento. ............................................................ 44
3.6.1 Técnica de detección de movimiento. ................................................... 44
3.6.2 Computación acumulativa. .................................................................... 47
3.6.3 Diferencia de imágenes. ........................................................................ 49
1
3.7 Seguimiento. ................................................................................................ 50
3.8 Clasificación vehicular. .............................................................................. 108
3.9 Modelo del sistema propuesto. .................................................................. 109
4. RESULTADOS Y DISCUSIÓN. .................................................................... 111
5. CONCLUSIONES Y TRABAJOS FUTUROS. .............................................. 121
6. REFERENCIAS BIBLIOGRAFÍACAS. ......................................................... 123
Anexo 1. Tabla de distribución normal de valores positivos. ............................... 127
Anexo 2. Tabla de distribución normal de valores negativos............................... 128
Anexo 3. Algoritmos importantes. ........................................................................ 129
2
ÍNDICE DE FIGURAS
Figura 2-1 Arquitectura del proceso de Crisóstomo y Yoshimoto (2005)©. Imagen
tomada del artículo bajo permiso de los autores. .................................................. 22
Figura 2-2 Arquitectura de Maldonado et al. (2007)©. Imagen tomada del artículo
bajo permiso de los autores. ................................................................................. 24
Figura 2-3 Resultados obtenidos por Maldonado et al. (2007)©. Imagen tomada
del artículo bajo permiso de los autores. ............................................................... 27
Figura 2-4 Sistema detector de movimiento de Ferraz y Lameda (2008)©. Imagen
tomada del artículo bajo permiso de los autores. .................................................. 29
Figura 2-5 Algoritmo de actualización de Ferraz y Lameda (2008)©. Imagen
tomada del artículo bajo permiso de los autores. .................................................. 30
Figura 2-6 Mapa bidimensional de Ferraz y Lameda (2008)©. Imagen tomada del
artículo bajo permiso de los autores. ..................................................................... 32
Figura 2-7 Estructura de la red de Ferraz y Lameda (2008)©. Imagen tomada del
artículo bajo permiso de los autores. ..................................................................... 35
Figura 2-8 Diagrama del extractor de características de Ferraz y Lameda (2008)©.
Imagen tomada del artículo bajo permiso de los autores. ..................................... 36
Figura 2-9 Extractor con valores (a) U 2, (b) U 5y (c) U 10 de Ferraz y
est est est
Lameda (2008)©. Imagen tomada del artículo bajo permiso de los autores. ........ 37
Figura 2-10 Aplicación del filtro Sobel de Ferraz y Lameda (2008)©. Imagen
tomada del artículo bajo permiso de los autores. .................................................. 37
Figura 2-11 Aplicación de la vecindad para extraer objetos de Ferraz y Lameda
(2008)©. Imagen tomada del artículo bajo permiso de los autores. ...................... 37
Figura 3-1 Intersección Constituyentes/Pasteur. Extraída de Google Maps. ........ 38
Figura 3-2 Arquitectura preliminar del sistema de visión por computadora
propuesto. ............................................................................................................. 43
3
Figura 3-3 Diagrama de detección de movimiento. ............................................... 46
Figura 3-4 Flujo del algoritmo que actualiza el fondo, parte 1/2. ........................... 47
Figura 3-5 Flujo del algoritmo que actualiza el fondo parte 2/2. ............................ 48
Figura 3-6 Taxonomía de métodos de seguimiento. ............................................. 50
Figura 3-7 Principales características de Mean Shift. ........................................... 56
Figura 3-8 Una representación de K-vecinos más cercanos. ................................ 58
Figura 3-9 Una representación de Ventanas de Parzen. ...................................... 58
Figura 3-10 Representación de un histograma. (a) La imagen (b) El histograma (c)
Lista de valores. .................................................................................................... 59
Figura 3-11 Distribución de valores. ...................................................................... 60
Figura 3-12 FDP de una distribución uniforme. ..................................................... 63
Figura 3-13 Representación de las características principales de una distribución
normal. .................................................................................................................. 64
Figura 3-14 Ejemplos de probabilidad de Distribución Normal Estándar. ............. 66
Figura 3-15 La representación de FDP basado en Kernels. ................................. 67
Figura 3-16 Ejemplo de FDP de Ventanas de Parzen. .......................................... 70
Figura 3-17 Cálculo de FDP de Ventanas de Parzen en Matlab. .......................... 71
Figura 3-18 Representación del parámetro de suavizado . ............................... 72
Figura 3-19 Matriz de convolución . .............................................................. 77
Figura 3-20 Ejemplo de un kernel de convolución posicionando su núcleo en
la coordenada de la imagen (1,1). ......................................................................... 78
Figura 3-21 Código Matlab para el cálculo del kernel. .......................................... 79
Figura 3-22 FDP propuesta. .................................................................................. 83
Figura 3-23 Matriz cruz de convolución . ...................................................... 87
Figura 3-24 Superficie de una FDP de un objeto más pequeño que . ................. 89
Figura 3-25 Superficie de una FDP con píxeles internos con valor 0. ................... 90
4
Figura 3-26 Ejemplo de la solución propuesta en máximos locales. ..................... 91
Figura 3-27 Búsqueda del punto crítico en tabla de distribución F. ....................... 96
Figura 3-28 Representación del intervalo o rango de aceptación de una hipótesis.
.............................................................................................................................. 96
Figura 3-29 Código de similitud entre objetos. ...................................................... 97
Figura 3-30 Resultados de la función de Similitud. ............................................... 99
Figura 3-31 Algoritmo de seguimiento. ................................................................ 102
Figura 3-32 Algoritmo de latencia imperfecta. ..................................................... 104
Figura 3-33 Algoritmo de vehículos nuevos. ....................................................... 105
Figura 3-34 Algoritmo de Oclusión/Disoclusión. .................................................. 106
Figura 3-35 Comunicación entre los procedimientos de discriminación de vehículos
no detectados. ..................................................................................................... 107
Figura 3-36 Ejemplo de los parámetros de clasificación con FDP. ..................... 108
Figura 3-37 Esquema metodológico. ................................................................... 109
Figura 3-38 Modelo del Sistema. ......................................................................... 110
5
Description:segmentación a través de Funciones de Densidad de Probabilidad (FDP) de. Ventanas de Parzen, para obtener un núcleo Gaussiano en cada objeto
